小编这次要给大家分享的是详解python中urllib爬虫模块，文章内容丰富，感兴趣的小伙伴可以来了解一下，希望大家阅读完这篇文章之后能够有所收获。

前言

网络爬虫也称为网络蜘蛛、网络机器人，抓取网络的数据。其实就是用Python程序模仿人点击浏览器并访问网站，而且模仿的越逼真越好。一般爬取数据的目的主要是用来做数据分析，或者公司项目做数据测试，公司业务所需数据。

而数据来源可以来自于公司内部数据，第三方平台购买的数据，还可以通过网络爬虫爬取数据。python在网络爬虫方向上有着成熟的请求、解析模块，以及强大的Scrapy网络爬虫框架。

爬虫分类

1、通用网络爬虫：搜索引擎使用，遵守robots协议（君子协议）

robots协议 ：网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

2、聚焦网络爬虫 ：自己写的爬虫程序

爬虫爬取数据步骤

确定需要爬取的URL地址由请求模块向URL地址发出请求，并得到网站的响应从响应内容中提取所需数据所需数据，保存页面中有其他需要继续跟进的URL地址，继续第2步去发请求，如此循环

请求模块

from urllib import request

request.urlopen()　　向网站发起请求并获取响应对象

参数：

URL：需要爬取的URL地址

timeout: 设置等待超时时间，指定时间内未得到响应抛出超时异常

响应对象（response）方法

string = response.read().decode('utf-8') 获取响应对象内容(网页源代码)，返回内容为字节串bytes类型，顺便需要decode转换成string。url = response.geturl() 返回实际数据的URL地址code = response.getcode() 返回HTTP响应码

from urllib import requesturl = 'http://www.baidu.com/'# 向百度发请求,得到响应对象response = request.urlopen(url)# 返回网页源代码print(response.read().decode('utf-8'))# 返回http响应码print(response.getcode()) # 200# 返回实际数据URL地址print(response.geturl()) # http://www.baidu.com/

urllib.request.Request()　　创建请求对象(包装请求，重构User-Agent，使程序更像正常人类请求)

参数

URL：请求的URL地址

headers：添加请求头（爬虫和反爬虫斗争的第一步）

使用流程

1、创建请求对象(重构User-Agent)

req = urllib.request.Request(url=url,headers={'User-Agent':'Mozilla/5.0 xxxx'})

2、请求对象发起请求，获取响应对象(urlopen)

res = urllib.request.urlopen(req)

3、通过相应对象获取响应内容

html = res.read().decode('utf-8')

from urllib import requesturl = 'http://httpbin.org/get'headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)'}# 创建请求对象(包装请求)req = request.Request(url=url,headers=headers)# 发请求,获取响应对象res = request.urlopen(req)# 读取内容,返回网页代码html = res.read().decode('utf-8')print(html)

URL地址编码

urllib.parse.urlencode({dict})

URL地址中一个查询参数

查询参数：{'wd' : '美女'}

urlencode编码后：'wd=%e7%be%8e%e5%a5%b3'

from urllib import parseurl = 'http://www.baidu.com/s?'query_string = parse.urlencode({'wd':'美女'})print(query_string) # wd=%E7%BE%8E%E5%A5%B3url = url + query_string# http://www.baidu.com/wd=%E7%BE%8E%E5%A5%B3

URL地址中多个查询参数

from urllib import parsequery_string_dict = {'wd' : '美女', 'pn' : '50'}query_string = parse.urlencode(query_string_dict)url = 'http://www.baidu.com/s?{}'.format(query_string)print(url)# http://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3&pn=50

拼接URL地址的3种方式

1、字符串相加

'https://www.baidu.com/s?' + urlencode({'wd':'美女','pn':'50'})

2、字符串格式化（占位符）

'https://www.baidu.com/s?%s' % urlencode({'wd':'美女','pn':'50'})

3、format()方法

'https://www.baidu.com/s?{}'.format(urlencode({'wd':'美女','pn':'50'}))

示例 在百度中输入要搜索的内容，把响应内容保存到本地文件

from urllib import requestfrom urllib import parse# 定义常用变量word = input('请输入搜索内容:')url = 'http://www.baidu.com/s?'headers = {'User-Agent':'Mozilla/5.0'}# url编码,拼接完整URLquery_string = parse.urlencode({'wd':word})url = url + query_string# 三步走req = request.Request(url=url,headers=headers)res = request.urlopen(req)html = res.read().decode('utf-8')filename = '{}.html'.format(word)with open(filename,'w',encoding='utf-8') as f: f.write(html)

urllib.parse.quote(string)编码

from urllib import parseparse.quote('美女') # %E7%BE%8E%E5%A5%B3

urllib.parse.unquote(string)解码

from urllib import parseresult = parse.unquote('%E7%BE%8E%E5%A5%B3')print(result) # 美女

百度贴吧网页获取

输入贴吧名称输入起始页输入终止页保存到本地文件：第1页.html、第2页.html ...

实现步骤

1、找URL规律

1、不同吧

2、不同页

第1页:http://tieba.baidu.com/f?kw=????&pn=0

第2页:http://tieba.baidu.com/f?kw=????&pn=50

第n页:pn=(n-1)*50

2、获取网页内容

3、保存(本地文件、数据库)

from urllib import request,parseimport timeimport randomclass BaiduSpider(object): def __init__(self): self.url = 'http://tieba.baidu.com/f?kw={}&pn={}' self.headers = {'User-Agent':'Mozilla/5.0'} # 获取响应 def get_page(self,url): req = request.Request(url=url,headers=self.headers) res = request.urlopen(req) html = res.read().decode('utf-8') return html # 保存数据 def write_page(self,filename,html): with open(filename,'w') as f: f.write(html) # 主函数 def main(self): name = input('请输入贴吧名:') start = int(input('请输入起始页:')) end = int(input('请输入终止页:')) # 拼接URL地址,发请求 for page in range(start,end+1): pn = (page-1)*50 kw = parse.quote(name) # url编码 url = self.url.format(kw,pn) html = self.get_page(url) # 获取响应,并保存 filename = '{}-第{}页.html'.format(name,page) self.write_page(filename,html) print('第{}页爬取成功'.format(page)) # 提示进度 time.sleep(random.randint(1,3)) # 控制爬取速度if __name__ == '__main__': spider = BaiduSpider() spider.main()

看完这篇关于详解python中urllib爬虫模块的文章，如果觉得文章内容写得不错的话，可以把它分享出去给更多人看到。